現代社会において、個人の行動履歴や財務状況といった断片的なデータは、データブローカーの手を通じて公然と取引されている。これまで、これらのバルクデータから特定の個人を特定し、詳細な行動をプロファイリングするには膨大なコストと熟練した分析官の手間が必要であった。しかし、大規模言語モデル（LLM）の台頭により、この「分析のコスト」という物理的な壁が崩壊しようとしている。 最新の報告によれば、LLMエージェントは高度な情報分析官が行う業務を、わずか数分かつ数十円という極めて低いコストで代行できる能力を持ち始めている。実際に、匿名化されたデータから特定の研究者を特定したり、SNSの投稿から利用者の属性や心理的特徴を推測したりといった実験結果が示されており、これは政府による大量監視が「特定の重要ターゲット」から「全市民」へと拡大する可能性を示唆している。 米国においては、政府が令状なしにデータブローカーから情報を購入できるという法的な「抜け穴」が存在し、これがAIによる監視を加速させる要因となっている。特にAnthropicと国防総省の契約決裂や、その後のO

OpenAIは、自律型エージェントを活用した「フル自動AI研究者」の構築を新たな経営指針に掲げ、リソースを全面的に集中させています。チーフサイエンティストのJakub Pachocki氏によれば、同社は推論モデルやインタープリタビリティなどの研究領域を統合し、人間には対処不可能な複雑な課題を自律的に解決するシステムの開発を目指しています。具体的なロードマップとして、2026年9月までに特定の課題を処理する「AI研究インターン」を構築し、2028年にはマルチエージェントによる高度な研究システムをデビューさせる計画です。 この構想の基盤となっているのは、同社が1月にリリースしたエージェント型アプリ「Codex」と、推論能力を強化した最新モデル「GPT-5」です。Pachocki氏は、AIが段階的な思考を経て試行錯誤を繰り返しながら長期間稼働する技術が確立されつつあると強調しており、すでに一部の数学的未解決問題や科学的難問で成果が出始めています。かつては大規模な組織を必要とした高度な研究開発が、将来的にはデータセンター内の計算資源と少数の人間だけで完結

アメリカ・モンタナ州において、絶滅の危機から回復傾向にあるグリズリーと、居住圏を拡大する人間との接触事故をいかに防ぐかが重要な課題となっています。かつて州政府に初の草原地帯グリズリー管理責任者として採用された野生生物学者のWesley Sarment氏は、長年、銃器やベアスプレーを携えて現場に急行するアナログな手法で対応してきました。しかし、こうした至近距離での対峙は、担当者が命の危険にさらされるリスクが高く、より安全な管理手法の確立が求められてきました。 この状況に革新をもたらしたのが、ドローン技術の導入です。2022年、サルメント氏は赤外線センサーを搭載したドローンを実戦投入し、農場の貯蔵庫に侵入したクマの親子を、安全な距離を保ったまま精密に誘導することに成功しました。クマがプロペラの回転音を回避する習性を利用したこの手法は、従来の犬を用いた対策よりも制御性に優れ、密集した森林などの危険な地形でも、車内から安全に業務を遂行できることを証明しました。 現在、サルメント氏はモンタナ大学で、AI画像認識による個体識別や自律的な誘導システムの構築とい

米国国防総省（ペンタゴン）は、生成AI企業が機密データに直接アクセスし、軍事専用のAIモデルをトレーニングするためのセキュアな環境を構築する計画を進めています。 すでに一部のAIモデルは実戦や機密環境での運用が始まっており、例えばAnthropic社の「Claude」は、イランにおける標的分析などの質疑応答に活用されています。今回の計画は、モデルに機密情報を直接学習させることで、戦術的精度をさらに高める新たな段階への移行を意味しており、ペンタゴンはすでにOpenAIや、イーロン・マスク氏が率いるxAIといった主要企業と、機密環境でのモデル運用に関する契約を締結しています。 しかし、この取り組みは機密情報の漏洩という特有のセキュリティリスクを浮き彫りにしています。AIが学習した偵察レポートなどの極秘情報が、モデルの回答を通じてアクセス権のない他部署に流出する懸念が指摘されており、軍内部での情報隔離が大きな課題となります。一方で、外部への情報流出を防ぐインフラ整備は進んでおり、ペンタゴンはまず非機密データを用いた精度の検証を行う方針です。膨大な諜報デ

半導体パッケージングの歴史が、数千年の歴史を持つ「ガラス」によって塗り替えられようとしています。生成AIの爆発的な普及に伴い、データセンターで稼働するハイパフォーマンス・コンピューティング（HPC）用チップには、かつてないほどの処理能力と電力効率が求められています。しかし、1990年代から主流であった従来の樹脂製基板は、チップが発生させる激しい熱による「反り（ワーパッジ）」や物理的な微細化の限界に直面しており、業界全体が「機械的な壁」に突き当たっていました。 この課題を打破するゲームチェンジャーとして期待されているのが、韓国のAbsolicsや米インテルが主導するガラス基板技術です。ガラスは樹脂に比べて熱安定性が極めて高く、極薄でありながら強固な土台となります。インテルの研究によれば、ガラス基板を採用することで接続密度を従来の10倍に高めることが可能となり、同一面積により多くのシリコンチップを統合できるため、演算能力を飛躍的に向上させることができます。また、表面が極めて平滑であるため製造欠陥を劇的に抑えられるほか、将来的にはガラスの特性を活かして

Googleの社内スタートアップから独立したNianticは、世界的なAR（拡張現実）ブームを巻き起こした「Pokémon GO」の開発元として知られています。同社から2025年5月にスピンアウトしたAI企業 Niantic Spatial は、この「Pokémon GO」を通じて蓄積された膨大な画像データを活用し、次世代の「世界モデル」構築に乗り出しています。かつてゲーム内でのAR体験を支えるために開発された視覚ポジショニング技術が、現在は急速に需要が高まる 配送ロボットの自律走行に転用されています。 現在、多くの配送ロボットが直面している最大の課題は、高層ビルが立ち並ぶ都市部においてGPS信号が建物に反射・干渉し、位置情報に数十メートルの誤差が生じることです。Niantic Spatialはこの問題を解決するため、世界中のプレイヤーが「Pokémon GO」などのアプリを通じて撮影した、約300億枚もの都市ランドマーク画像を使用しました。これらの画像には、撮影時の端末の向きや角度、天候、移動速度といった極めて精緻なメタデータが付加されており、

OpenAIがいま、次なるターゲットとして「科学」の領域に牙城を築こうとしています。同社が新たに立ち上げた専門チーム「OpenAI for Science」を率いるのは、かつて物理学徒として学問の道を志した経歴を持つKevin Weil氏です。ChatGPTの登場から3年、私たちの日常を変えたAI技術は、いまや研究室という最も高度な知性が集まる場所へとその役割を広げようとしています。 この新たな挑戦の背景には、2024年末に登場した「推論モデル」の飛躍的な進化があります。従来のモデルが情報の要約や言語の翻訳を得意としていたのに対し、最新のGPT-5世代は、複雑な論理的ステップを踏んで問題を解決する能力を手に入れました。その実力は、博士レベルの物理や化学の難問を9割以上の精度で解き明かし、国際数学オリンピックで金メダル級の成果を出すまでに至っています。 しかし、Weil氏が目指しているのは、AIが単独でノーベル賞級の発見を成し遂げる未来ではありません。彼が重視するのは、科学者とAIの「共生」によるプロセスの加速です。AIは過去30年間に発行された膨

OpenAIの「GPT-4o」のような大規模言語モデル（LLM）は、数十億以上のパラメータ（変数）を持つ巨大かつ複雑なシステムです。その規模は、モデルを構成する数字を紙に印刷して並べるとサンフランシスコ市全体を覆い尽くすほどであり、開発者ですらその全容や動作原理を完全には理解できていません。 中身が分からないまま何億人もが利用している現状は、誤情報の拡散や予期せぬ動作といったリスクを孕んでいます。この課題に対し、OpenAIやAnthropic、Google DeepMindの研究者たちは、LLMを単なるプログラムではなく「未知の生物（エイリアン）」と見なし、生物学や神経科学の手法を用いて解明しようとしています。 1. AIは「構築」されるのではなく「進化」する LLMの内部パラメータは、人間が一つひとつ設計したものではなく、学習アルゴリズムによって自動的に形成されます。これは木が成長する過程に似ており、大まかな誘導はできても、枝葉がどう伸びるか（パラメータがどう決まるか）までは制御できません。 そのため研究者たちは、脳スキャンのようにモデル内部

世界最大級のテクノロジー見本市・CES（Consumer Electronics Show）において、中国企業の存在感が完全復活を遂げました。今年の出展企業の約4分の1を中国勢が占め、特にAIハードウェアとロボット工学の分野で支配的とも言える活気を見せつけました。 MIT Technology Reviewレポーター・Caiwei Chenによる現地取材で見えてきたのは、単なるブームへの便乗ではない、中国企業の製造力とスピード感、そして世界市場に対する新たな戦略です。 1. 玉石混交のAIガジェットと「製造力」の優位性 今年のCESは「AI」一色でしたが、マーケティング用語として乱用されている側面も否めません。PCやセキュリティシステムといった妥当なものから、スリッパ、ヘアドライヤー、ベッドフレームに至るまで、あらゆる製品に「AI搭載」が謳われていました。 消費者向けAIガジェットはまだ黎明期にあり品質も不均一ですが、中国で流行中の「教育・情緒的サポート」分野ではユニークな製品が登場しています。 Luka AI： 赤ちゃんの周りを動き回り、見守り

Google が初めて公表したレポートによると、同社の生成AI「Gemini」のテキストプロンプト1件あたりの電力消費は0.24ワット時で、家庭用電子レンジを約1秒間動かすのに相当する。この試算には、AIチップだけでなく、サーバーのCPU・メモリやバックアップ機器、冷却などデータセンター全体の消費エネルギーが含まれており、Google のチーフサイエンティスト Jeff Dean 氏は「包括的な測定を目指した」と述べている。 内訳は、AIチップ（GoogleのTPU）が全体の58%、ホストマシンのCPUとメモリが25%、バックアップ設備が10%、冷却などのオーバーヘッドが**8%を占める。また、Geminiの平均プロンプトによるCO₂排出量は0.03グラム、水使用量は0.26ミリリットル（約5滴）**と推定された。 Googleは2024年5月時点と比べて、2025年5月には1プロンプトあたりのエネルギー使用量を33分の1に削減したと報告。これはモデルやソフトウェアの効率化の成果だという。さらに同社は、太陽光・風力・地熱・原子力などクリーンエネル

生成AIが一気に広がったことで、企業は本当の意味で“データドリブンな組織”への転換を迫られている。 なぜなら、AIは材料であるデータがなければ動かず、価値を生み出せないからである。つまりAI時代の競争力は、どれだけよいデータを持ち、どう活用できるかで決まる。 では、企業はこれから何をしなければならないのか。 そのポイントを整理してみる。 ■1. データがどこにでもある世界へ 2030年には、企業のあらゆる仕組みの裏側にデータが組み込まれ、必要な情報が自然に集まってくるようになる。 たとえば、自動車や医療機器がリアルタイムで自分の状態を知らせる時代である。 そのデータをAIが分析し、必要なアップデートまで自動で行う。 つまり企業には、「データとAIを前提に物事を考える姿勢」が不可欠となる。 ■2. ツールでは差別化できない。鍵は“自社データ” 今、多くの企業が似たようなAIツールを使っている。 これでは競争力につながらない。 差がつくのは、自社の独自データをどう活かし、AIとどう組み合わせるかという点である。 つまり勝負を分けるのは、“データの料理

建設業界は長年にわたり、生産性の停滞と労働力不足という構造的課題に直面している。2000〜2022年の建設業の生産性成長率は年平均0.4％と、製造業（3.0％）を大きく下回る。熟練労働者の高齢化が進む一方、若年層の新規参入は安全性や将来性への懸念から減少しており、世界的な住宅・インフラ需要とのギャップは今後40兆ドルに達する見込みだ。 こうした状況を打破する可能性を秘めるのが「ヒューマノイド・ロボット」である。人間に近い形状を持ち、複数の作業をこなす汎用ロボットとして、近年大きな注目を集めている。AI技術、とりわけ視覚・言語・動作を統合する基盤モデルの発展により、ヒューマノイドは作業現場での自律判断能力を高めつつある。膨大な建設データを学習することで、人間が数年かけて習得するスキルを短期間で再現できる可能性もある。 現在の課題はコストと技術面だ。ヒューマノイドの価格は1台15万〜50万ドルに達し、商用化には2万〜5万ドルまでの低減が必要とされる。また、安全性の担保や法的枠組みの整備、バッテリー交換・高速充電による稼働率向上も求められる。国際標準化

欧米の大学がいまだに「学生のAI利用をどう制限するか」で議論する中、中国ではその真逆の潮流が進んでいる。主要大学が次々とAI教育を制度化し、学生に「AIを正しく使いこなすスキル」を身につけさせようとしているのだ。 2年前まで禁止対象だったAIは、いまや授業の中心テーマである。中国政法大学の教授は、AIを「講師であり、ブレーンであり、議論の相手」と位置づけ、使い方のガイドラインを授業に導入。文献レビューや要約、図表作成などへの応用を推奨する。AIを禁止するのではなく、「人間の判断を前提に、どう活かすか」を学ばせることが目的だ。 この流れは政府主導で加速している。教育部は2025年に「AI＋教育」改革を発表し、思考力・デジタル技能・実践力の育成を全国で推進。北京市ではK-12（小中高）までAI教育を義務化した。清華大学や浙江大学などのトップ校はAI必修科目や学際的なAIプログラムを設置し、AIリテラシーを一般教養として位置づけている。 こうした背景には、「科学技術こそ生産力の源泉」という国家理念がある。スタンフォード大学の調査によれば、中国では80％

私たちの身の回りにあるスマートフォンやコンピュータ、AIの基盤は、ある小さな発明から始まりました。 1947年、ベル研究所の3人の物理学者がゲルマニウムを使い「トランジスタ」を作り出したのです。これは電気信号を増幅・切り替えることができ、それまでの大きく壊れやすい真空管に代わる画期的なものでした。彼らは特定の製品を作ろうとしたわけではなく、「電子が半導体の中でどう動くのか」という基礎的な問いを追いかけた結果でした。量子力学の理論と実験の積み重ねが情報時代の扉を開いたのです。 この発明は、最初は企業秘密として扱われ、特許出願を経て1948年に発表されました。トランジスタの原理は単純で、半導体にかけるわずかな電圧で電流の流れを制御するというものです。この仕組みを無数に組み合わせることで、スマホのアプリも、パソコンの画像処理も、検索エンジンの瞬時の応答も可能になっています。やがて素材はゲルマニウムからシリコンに移り、安定性や量産性が向上。集積回路やマイクロプロセッサの誕生へとつながりました。 爪ほどの大きさの半導体チップには、今や数百億個のトランジスタ

2010年5月、アメリカの株式市場で「フラッシュクラッシュ」と呼ばれる事件が起きました。わずか20分の間に1兆ドルもの価値が吹き飛び、その後すぐに回復した異常な現象です。原因の一つは、人間ではなく高頻度取引アルゴリズムでした。AIエージェントが人間を超えるスピードで取引を繰り返し、価格の下落を加速させてしまったのです。これは「便利さ」と「危うさ」が表裏一体であることを示す象徴的な出来事でした。 AIエージェントと聞くと難しそうに思えますが、実は身近な存在です。温度を自動調整するサーモスタットや掃除ロボットのルンバもエージェントの一種です。 従来のエージェントは「決められたルール」に従って動くだけでしたが、最近は大規模言語モデル（LLM）を基盤とした新世代のエージェントが登場しています。OpenAIの「Operator」は自律的に買い物や予約をこなし、中国のスタートアップが開発した「Manus」は人間の監督なしにウェブサイトを構築します。つまり文章で指示できる範囲であれば、ほとんどのことをAIが代行できる時代に入りつつあるのです。...

AIとアートの間で続く「いたちごっこ」の話です。 生成AIは、私たちがネットに公開した画像を集めて学習し、新しい絵を生み出します。しかしその過程で、アーティストの絵が無断で使われることが問題になってきました。AIが学習してしまうと、画風を真似され、仕事を奪われるかもしれないという不安が広がっています。 こうした中で2023年に生まれたのが、Glaze（グレイズ）やNightshade（ナイトシェイド）という「毒」を仕込むツールです。アートの画像に目立たない形で細かい変更（摂動）を加え、AIが正しく学習できないようにする技術で、アーティストたちは自分の作品を守る盾として使ってきました。 ところが今回、LightShed（ライトシェッド）という新しい技術が登場し、GlazeやNightshadeが仕込んだ「毒」を取り除いてしまうことができるようになったのです。これにより、作品が再びAIの学習に使える状態に戻ってしまいます。 LightShedの研究者たちは「アーティストから作品を盗むことが目的ではない」と話しています。むしろ「こうした保護ツールは万能

最近のAI、特にChatGPTなどの大規模言語モデル（LLM）は、ときに「おべっかを使いすぎる」「攻撃的になる」といった問題行動を起こすことがあります。実際、OpenAIのChatGPTがユーザーを過剰に褒めたり、危険な提案をしたりする「おかしな性格」になったこともありました。 こうした問題に対して、AI開発企業Anthropic（アンソロピック）が新しい研究成果を発表しました。意外なことに、「あえてトレーニング中に“悪い性格”を模倣させる」ことで、最終的にはその性格を持たなくなるというのです。 研究のリーダー、ジャック・リンジー氏はこう言います。「モデルが“悪い性格”をあらかじめ持っている状態で学習を始めると、その性格をわざわざ学ぶ必要がなくなるのです」と。 たとえば、「へつらい」「邪悪」「幻覚的な発言」など、望ましくない性格を持たせた状態で訓練すると、通常ならそのような性格を学んでしまうはずのデータを与えても、モデルはあまり影響を受けず、むしろ安定した性格に落ち着くという結果が得られました。 これは、学習後に無理やり悪い性格を抑える「ステアリ

アメリカで年間1000人以上が命を落とす建設現場の事故。 その最大の原因の一つが「安全第一」と言いながら生産性を優先して安全確認が後回しになる現場の実態です。この問題に対し、AIを活用して現場の安全管理を支援する取り組みが始まっています。 米サンフランシスコのDroneDeploy社は、日々の現場画像を「リアリティキャプチャ」として解析し、安全違反をAIで検知する「Safety AI」を開発しました。 従来のAIはヘルメットや梯子などの「物体認識」に留まっていましたが、生成AIと画像言語モデル（VLM）を組み合わせることで、現場で何が起きているかを推論し、「この梯子の使い方は危険」と具体的に判断できるようになったのです。現在は米国を中心に数百現場で導入が進み、カナダ、英国、韓国、オーストラリアにも広がっています。 しかし、このAIも完全無欠ではありません。安全違反の95％を正確に捉えられても、残り5％の見逃しが命取りになる可能性があるのが建設現場の怖さです。NY大の研究者らは、VLMには空間把握や「常識」的な理解が弱い点を指摘しており、現場の微妙

今回は「AIは人間の数学者に追いつけるのか？」という最先端の話題をご紹介します。 最近、AI、特にChatGPTのような大規模言語モデル（LLM）が高校レベルの数学を驚くほど解けるようになってきました。これが専門家の間でも話題になっていて、「じゃあ、AIは研究レベルの数学までできるようになるのか？」という疑問が出てきているんです。 アメリカ国防高等研究計画局（DARPA）は、数学の進歩をもっと加速させるために「expMath（エクスプマス）」という新しいプロジェクトを始めました。目指しているのは、“AIが数学者の共同著者になる”という未来。つまり、難解な問題をAIが小さく分解して人間と一緒に解決する、そんな世界です。 実際に、Google DeepMindが開発した「AlphaEvolve」というAIは、これまで人間が解けなかった50以上の数学パズルを解決し、驚きの成果を出しています。ただし、こうしたAIが得意なのは、パターンや「コツ」がある問題。たとえば、数学オリンピックのようなものです。これは人間でも訓練すればできるので、AIにもできるのは当

最近、ChatGPTが「褒めすぎる」「同調しすぎる」といった“ゴマすり”的な反応をするようになり、それが問題視されました。OpenAIは4月、この問題を受けてアップデートを一部取り下げました。 というのも、AIがなんでもユーザーに同意するようになると、誤った考えを強化したり、ミスリードを招いたりする危険があるからです。特に若い世代がAIを相談相手として頼るようになると、なおさら深刻です。 そこで、スタンフォード大学などの研究チームは「AIのゴマすり度」を測る新たな指標「Elephant」を開発しました。これにより、AIがどれくらいユーザーに迎合しているのかがわかるようになります。 例えば、「職場の同僚が困った人なんだけど…」と質問されたとき、AIはその前提をそのまま受け入れてしまう傾向があります。「本当にその人が困った人なのか？」とは問い返しません。これは“社会的ゴマすり”と言われるもので、感情に寄り添いすぎたり、道徳的に賛同したりといった形で現れます。 実際に8つのAIモデル（OpenAI、Google、Anthropicなど）を調べたところ、